H
Howardism
Plate IIAgent Systems機器翻譯 · machine-translated過時翻譯 · stale translationENHOWARDISM

深度研究代理

PublishedJune 15, 2026FiledConceptDomainAgent SystemsTagsAgent EngineeringDeep ResearchRetrievalOrchestrationReading7 minSourceAI-synthesised

能將複雜查詢拆解、反覆搜尋多元來源，並綜合成結構化且附帶引用的報告之代理系統——有別於單次 QA；DRACO 顯示，Perplexity 的編排能力勝過僅配備工具的基礎模型，而事實準確度是薄弱軸向

深度研究代理插圖

資料來源#

摘要#

深度研究代理是一種代理式 AI 系統，接收複雜且開放式的查詢，並：(1) 將其拆解為構成性的子工作流程，(2) 反覆搜尋多元外部來源，以及 (3) 將蒐集到的證據綜合成結構化、附帶引用的報告。不同於單次問答，它會把多步驟規劃與推理，和自主檢索及評估交錯進行——驗證主張、解決相互衝突的證據，並找出文獻中的缺口。其產出是一份分析；若由人類專家製作，否則需要投入大量時間與精力。這正是 DRACO（Perplexity，2026 年 2 月）建立來評估的系統類別，而它所基準測試的四個 production 系統——Perplexity Deep Research、OpenAI Deep Research、Gemini Deep Research，以及搭配網頁搜尋與程式碼執行工具的 Claude Opus——就是其中的典型實例。

與單次 QA 的模式比較#

單次 QA深度研究代理
規劃無／隱含明確將查詢拆解為子工作流程
檢索一次處理（或無）反覆、多來源、自主進行
推理在單次生成內完成多步驟；驗證、解決衝突、找出缺口
輸出一個答案結構化且附帶引用的報告
取代的工作量一次查找數小時的人類專家研究

在知識密集型領域——學術研究、醫療決策支援、法律分析、金融分析——深度研究日益成為不可或缺的基礎，因為這些領域要求針對大型、異質語料庫進行全面、深入、透明且可驗證的推理。

編排勝過裸模型（DRACO 的發現）#

對本 wiki 最具影響力的結果是：在 DRACO 上，Perplexity Deep Research（以 Opus 4.5 / 4.6 為基礎）大幅勝過單獨使用 Claude Opus 4.5 / 4.6 並搭配 web_search 與 code_execution 工具的結果——在 4.6 配對中，正規化分數為 70.5% 對 59.8%。同一個基礎模型套上專為檢索與綜合打造的 harness 後，便增加了約 10 個百分點。論文自己的解讀是：這顯示「超越基礎模型的代理編排的重要性」。

這是對 Harness Shrinkage as Models Improve 的即時反向資料點。本 wiki 一再主張，隨著模型進步，腳手架會縮小，而機械式驗證仍是不可或缺的部分。深度研究是截至 2026 年初，harness 仍承載系統品質中一大且可測量部分的領域——編排層（查詢拆解、反覆檢索策略、來源選擇、綜合規範）尚未消融進基礎模型。當模型跨越下一個能力門檻時，它是否會縮小，是仍待回答的問題；DRACO 是目前的測量結果。

驗證是關鍵限制#

在 DRACO 評分的每個系統中，依評分軸向排列的結果都一致：在呈現品質上最強，在事實準確度與引用品質上最弱。流暢度已經解決；可驗證的正確性尚未解決。這是 Verification as the New Bottleneck 在研究產品內部浮現——難點不再是產出可讀的報告，而是確保其中每個主張都為真且有適當來源。這是 AI-Driven Formal Proof Search 的開放領域鏡像；後者由編譯器使驗證成為完整流程，而深度研究沒有這種 oracle，因此準確度／引用成為前沿。

效率：更多 token ≠ 更好#

DRACO 的 token／延遲表打破了「更長、更昂貴的執行就會勝出」這一直覺：

  • 最高分者（Perplexity、Opus 4.6）同時也是深度研究系統中延遲最低者（245 秒），儘管它有最大的輸入 token 規模（每項任務約 779k tokens）——偏重輸入的檢索，搭配精簡輸出（約 8.8k tokens）。
  • OpenAI o3 與 Gemini 產出的輸出最多（24.9k、22.1k tokens），但分數僅居中——冗長並未換來品質。
  • OpenAI o4-mini 整體 token 效率最高（總計約 53.5k），但分數落後（41.9%）。

這種形狀——品質與輸出長度脫鉤，而輸入 token 的支出才是真正發揮作用的部分——是 Client-Side Agent Optimization 中形式化的成本／品質組合取捨（依角色配置模型、預算、路由）在深度研究中的實例：真正重要的槓桿是編排設計，而非原始 token 支出。

它位於何處#

深度研究是長時間跨度、自主、多步驟的任務——正是 Task Time-Horizon Scaling 所測量的範圍——以持續運作的檢索與綜合 harness 執行。這是目前最清楚的案例之一：產品（harness + 編排）顯著比它包裝的模型更有價值；因此，像 DRACO 這種針對系統（而非模型）的基準測試，才是正確的工具，並由 LLM-as-a-judge 根據從真實 production 使用情境建立的專家評分規準進行評分。

相關連結#

  • DRACO Benchmark — 為評估此系統類別而建立的基準測試；本文的編排、驗證與效率發現皆源自此處
  • Agent Harness Engineering — 深度研究是一種檢索與綜合 harness；「超越基礎模型的編排」結果直接證明此 harness 層不可或缺
  • Harness Shrinkage as Models Improve — 反向資料點：在此 harness 尚未縮入模型（編排模型與搭配工具的裸模型之間約有 10pp 差距）
  • Verification as the New Bottleneck — 所有系統中事實準確度／引用都是最弱軸向；可驗證的正確性是前沿
  • Task Time-Horizon Scaling — 深度研究是長時間跨度的自主任務，正是 METR 時間跨度指標所測量的類型
  • Client-Side Agent Optimization — token／延遲取捨（更多輸出 ≠ 更好；編排 > 原始支出）是深度研究中的組合／預算最佳化實例
  • LLM-as-a-Judge — DRACO 如何根據任務特定的評分規準評估深度研究輸出
  • Production-Sourced Evaluation — DRACO 的任務來源（取自真實 Perplexity Deep Research 流量），使基準測試反映實際使用情境
  • AI-Driven Formal Proof Search — 驗證完整性的對比：健全的驗證器能消除深度研究無法消除的準確度落差
  • Perplexity — 領先深度研究系統與 DRACO 的建造者
  • Anthropic / Google DeepMind — 受評估系統的製作者（Claude Opus；Gemini Deep Research，以及作為裁判的 Gemini-3-Pro）
  • Repository Exploration Subagent — 在 coding agent 內部結構平行：FastContext 將任務拆解為探索 + 解題，並將反覆搜尋隔離在精簡的綜合回傳之後——深度研究應用於網路的同一種拆解→搜尋→綜合形狀

開放問題#

  • 隨著基礎模型跨越下一個門檻，編排優勢會縮小嗎？還是開放式檢索／綜合是一項持久的 harness 資產（不像提示腳手架）？
  • DRACO 只評估單輪互動。真實深度研究的價值有多少來自基準測試尚未測量的多輪迴圈（澄清問題、後續追問）？
  • 事實準確度在各處都是薄弱軸向——解法是更好的檢索、更好的迴圈內驗證，還是像 Lean 為證明搜尋提供依據那樣，以工具為基礎的檢查？

資料來源#

§ end
About this piece

Articles in this journal are synthesised by AI agents from a curated wiki and are refreshed automatically as new concepts arrive. Topics, framing, and editorial direction are curated by Howardism.

Cited by 24
Related articles
  • Open Questions Backlog

    _456 actionable open questions across 205 pages · 107 predictions · 9 notes · 147 in progress · 69 watching (entities),…

  • LLM-as-a-Judge

    Using one LLM to grade another's outputs against criteria/rubrics; DRACO's protocol is per-criterion binary MET/UNMET +…

  • Failures That Look Like Success

    The quiet agent-failure class where everything reads fine — confident answer, plausible plan, even correct internal sta…

  • Verification as the New Bottleneck

    Fiona Fung: coding is no longer the bottleneck — verification, review, maintenance are; shift-left; TDD loses its tax;…

  • Context Lifecycle Management

    Treating an agent's active context as indexed runtime objects with a lifecycle (fold/mask/prune, recoverable sidecars,…